بازار سرمایه از بازارهای پیچیده، نامنظم و غیرخطی می باشد. همین امر موجبات توجه محققین به این بازار را فراهم آورده است. خبرگان مالی اندیکاتورهای مالی زیادی به منظور پردازش حرکت قیمت سهام ابداع کرده اند. این اندیکاتورها با تأثیر گرفتن از روند قیمتی سهام و میزان حجم معاملات به دنبال پیش بینی قیمت سهام در آینده می باشند. استفاده همزمان از چندین اندیکاتور ما را به نتایج مطلوب و مطمئن تری هدایت می کند. ولی استفاده از این اندیکاتورها نیاز به آموزش و تجربه زیادی دارد که اغلب فعالان و سرمایه گذاران حقیقی، دانش یا زمان کافی برای استفاده از اندیکاتورها را ندارند. از همین روی نیاز به سیستمی که به زبان انسان نزدیک و پشتیبان تصمیم گیری آن ها در مواقع خرید و فروش باشد، احساس می شود. لذا یکی از روش هایی که می تواند مفید واقع گردد، داده کاوی است که به دنبال کشف روابط موجود در حجم عظیمی از داده می باشد. کشف قوانین پیوستگی از جمله روش های داده کاوی است که با استفاده از داده های موجود قوانین (اگر - آنگاه) حاکم بر آن ها را استخراج می کند. در این تحقیق 11 اندیکاتور استفاده شده در سمت مقدم قانون و کلاس خرید یا فروش در سمت نتیجه آن واقع می گردد. انتخاب و ترکیب استفاده از این اندیکاتورها می تواند به عنوان یک مسئله بهینه سازی مطرح شود. الگوریتم ژنتیک از جمله الگوریتم های فرا ابتکاری است که برای حل مسائل بهینه سازی و دارای فضای جستجوی بزرگ استفاده می شود. به منظور کاربردی کردن و نزدیک شدن به واقعیت، مسئله با اهداف سه گانه مورد بررسی قرار داده شده، که در نتیجه ما را به استفاده از الگوریتم های ژنتیک چندهدفه سوق می دهد. در این تحقیق از سیستم داده کاوی مبتنی بر الگوریتم های ژنتیک چندهدفه به منظور کشف قوانین فازی استفاده شده است. از آنجایی که قوانین برای استفاده انسان طراحی شده است، اکثریت آن ها ذهنی و فازی می باشند. با استفاده داده های سهام 5 شرکت بورس تهران و 5 شرکت بورس نیویورک برای دوره آموزش به منظور یادگیری الگوریتم و با استفاده از دوره آزمایش کارایی و دقت الگوریتم ارزیابی شده است. همچنین برای مقایسه دو الگوریتم پیشنهادی از 5 معیار مقایسه، استفاده شده است. نتایج آزمایشات حاکی از آن است که هر دو الگوریتم دارای قدرت پیش بینی بالایی هستند و به این نتیجه دست یافته شد که اختلاف معناداری به جز در معیار پوشش مجموعه برای آن ها متصور نمی باشد.